TimesNet: Modelování časových řad pomocí dvourozměrných časových variací
TimesNet je univerzální model pro časové řady, který představili Wu et al. na konferenci ICLR 2023. Jeho ústřední myšlenkou je, že jednorozměrné nebo vícerozměrné časové řady lze reinterpretovat jako kolekce dvourozměrných časových map transformací 1D signálu podle jeho dominantních periodicit detekovaných pomocí rychlé Fourierovy transformace (FFT). Tato transformace z 1D na 2D odhaluje jak intraperiodické vzory (v rámci jednoho cyklu), tak interperiodické trendy (napříč cykly), což umožňuje výkonným 2D konvolučním architekturám modelovat časové variace.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2023). TimesNet: Temporal 2D-variation modeling for general time series analysis. ICLR. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). TimesNet (Temporal 2D-Variation Modeling). ScholarGate. https://scholargate.app/cs/deep-learning/timesnet
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Autoformer: Transformer s dekompozicí pro dlouhodobé časové řadyHluboké učení↔ compare
- PatchTSTHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →